REPUBLIQUE DU CAMEROUN REPUBLIC OF CAMEROON

PAIX-TRAVAIL-PATRIE PEACE-WORK-FATHERLAND

UNIVERSITE DE DSCHANG
UNIVERSITY OF DSCHANG
ECOLE DOCTORALE POST GRADUATE SCHOOL

UNITE DE RECHERCHE DES MATIERE CONDENSEE,

d’ELECTRONIQUE ET DE TRAITEMENT DU SIGNAL

RAPPORT DE PROJET DE RECHERCHE

THEME :

Contribution à l’optimisation de la commande MPPT pour l’énergie éolienne :

Utilisation du deep-Learning
FILIERE :

PHYSIQUE
OPTION :

ELECTRONIQUE-ELECTROTECHNIQUE-AUTOMATIQUE
CYCLE

MASTER II RECHERCHE.
ECRIT PAR :

JOMKAM KAPTUE CHRISTIAN

MATRICULE :

CM-UDS-19SCI0557
SOUS LA COORDINATION DE :

Pr TCHAYA

2023/2024
1
 Table de matière
1 Présentation du sujet / du contexte de la recherche. ____ 3
2 Motivation sur le choix du sujet. __________________ 4
3 Revue critique sommaire de la littérature ___________ 5
4 Hypothèse de la recherche_______________________ 6
5 L’objectif général et les objectifs spécifiques de la
recherche _____________________________________ 6
5.1 Objectif général ____________________________ 6
6 Un aperçu du cadre théorique et conceptuel __________ 7
7 Brève présentation du modèle ____________________ 7
8 Intérêts (théorique et pratiques) de la recherche ______ 7
9 Résultats escomptés ___________________________ 8
10 Une bibliographie indicative. ___________________ 8

2
1 Présentation du sujet / du contexte de la recherche.

Depuis des décennies, l’univers terrestre à mi à la disposition de sa population un

sol très riche en ressource naturel qui sont entre autre : le bois, la biomasse, le soleil
[…]. Pour assurer ainsi leur survie, il était très capital d’exploiter toutes c’est ressources
naturelle, ce qui a été à l’origine d’un changement climatique.
Dans toute discussion sur ce changement climatique, les énergies renouvelables
figurent en tête de liste que le monde peut mettre en œuvre pour éviter ce désastre. En
effet les sources renouvelables telles que le soleil et l’éolien n’émettent pas dioxyde de
carbone n’y d’autre gaz à effet de serre qui contribuent au réchauffement planétaire.
L’énergie propre a bien plus à offrir que le simple fait d’être végétation. Ce secteur en
pleine croissance crée des emplois, rend les réseaux électriques plus résilients, élargit
l’accès à l’énergie. Tous ces facteurs dans les pays en développement, et contribuent à
réduire les factures. [1].
L’énergie joue donc un rôle essentiel dans le développement des pays. L’augmentation
rapide de la population et l’urbanisation a entraîné une augmentation en demande
d’énergie dans le monde entier [2-6]. La prise en compte de l’énergie dépend
principalement de facteur tel que : énergie abordable, accessible et écologique. La
production d’électricité à partir des sources d’énergie renouvelables est qualifiée de
nécessaire et alternative pour les combustibles fossiles. Les énergies renouvelables
sont maintenant reconnues comme une source d’énergie ordinaire dans le monde et
de leur croissance rapide en particulier dans le secteur électrique est le fruit de
plusieurs facteurs. Il y a notamment la compétitivité grandissante des énergies
renouvelables du point de vue des coûts, des diverses initiatives politiques ciblées, de
l’amélioration de l’accès aux financements et de l’attention portée à la sécurité
énergétique et aux solutions environnementales, de la croissance dans les économies
en développement et émergentes et de la nécessité de disposer des services
énergétiques moderne de nouveaux marchés apparaissent ainsi dans toutes les
économies des énergies renouvelables centralisées et décentralisées[7].
L’augmentation de la capacité de production électrique renouvelable a été sans
précédent en 2020 avec une estimation de 147 gigawatts ajoutés. La capacité de
chauffage basée sur les énergies renouvelables a pour sa part, augmenté de 38
gigawatts. La production totale de biocarburant d’est également accrue. Cette avancée
s’est produite malgré la chute brutale des cours mondiaux des combustibles fossiles et
la difficulté posée aux énergies renouvelables notamment l’intégration de parts
croissantes de production d’énergie renouvelable, l’instabilité des politiques, les
obstacles réglementaires et les contraintes budgétaires [8]. Les sources d’énergies
renouvelables comprennent l’énergie solaire, éolienne, marémotrice et la biomasse.
Comme le soleil et le vent sont largement disponibles, ils sont donc très utiles pour la
production de l’énergie [9]. Cependant, la fiabilité de l'énergie solaire et éolienne est
fortement dépendante des changements climatiques et de la nature imprévisible. Elle
entraîne donc de sérieuses inquiétudes quant à l’intégration de cette énergie dans le
réseau et à son stockage [10]. L'énergie éolienne est une source d'énergie renouvelable

3
à croissance la plus rapide. Elle englobe une branche d’ingénierie diversifiée [11]. Au
cours des dernières années la production d’énergie éolienne a décuplé.

2 Motivation sur le choix du sujet.

La tendance actuelle de la consommation des combustibles fossiles dans le monde entraine
l’épuisement des ressources naturelles. L’alternative de lutter contre ces conséquences est
l’utilisation des énergies renouvelable tel que vent ou encore l’énergie éolienne. L’utilisation de
cette technique d’énergie, rentable et non polluante est utiliser presque dans tous les pays très
développer pour porter secours aux énergies favorisant la destruction de l’environnement dans
le monde. Il a donc plusieurs avantage parmi lesquels un grand rendement, une grande
quantité de production en électricité... etc. le Cameroun donc et d’autres pays africains voir
même du monde ont une géographie diversifiée qui est un atout donc à la mise sur pied de tel
projet mais sont par contre confronté a plus aspect problématique de de développement de ces
systèmes dans le monde.
Le Cameroun par exemple à dans son territoire des zones très agréables a la agréables et
professionnels à l’installation de c’est systèmes en occurrence le bon vent qui circule dans la
région du grand nord Cameroun et dans la région de l’ouest en particulier dans les haut-
plateaux. Etant donné que la majeure partie de l’électricité produite au Cameroun provienne
des ressources fossiles pour faire fonctionner les barrages hydroélectriques, les centrales
thermiques donne une production en 2020 de 1529 MW repartie telle que suit : 61.70% MW
produite par le les barrages hydrauliques ; 24.10% MW produite par les centrales électriques
et 0.1% MW produite pars les générateur solaires, ce qui fait que riens que 62% de la population
Cameroun ne sont que alimenté en énergie [12].

Pour cela, pour cela de nombreux pays d’Afrique en particulier le Cameroun et les pays
de monde ont lancé un programme ambitieux de développement des énergies
renouvelables et d’efficacité énergétique, adopté depuis 2022 par le Gouvernement
Camerounais. Ce choix stratégique est motivé par l'énorme potentiel de l'énergie
solaire. Cette énergie est l'axe principal du programme dédié au solaire thermique et
au photovoltaïque solaire comme partie essentielle. L'énergie solaire devrait atteindre
d'ici 2030 plus de 10% de la production nationale d'électricité. En dépit d’un potentiel
relativement faible, ce programme n'exclut pas le vent, qui occupe la deuxième place
dans ce plan de développement énergétique et dont la part devrait être d'environ 3%
de la production d'électricité en 2030. Afin donc e pouvoir utiliser cette énergie il est
donc préférable de le traiter au préalable avant de l’injecter dans les réseaux de
distribution pour voir l’utiliser. A cette effet plusieurs convertisseur on vue le jour
permettant le traitement et le contrôle optimal de cette énergie telle que les commande
par MPPT … etc.
Mais cette méthode s’avère avoir des limites parmi lesquelles les conditions
météorologiques flottante, l’implémentation temps réel assez pénible […]. Pour palier
donc à cette limite, et pour garantir une production en énergie éolienne mondial
meilleur dans le domaine de la production d’une énergie optimal quel que soit les
conditions météorologiques (variation du vent), de faire une étude approfondie et
réalisable sur l’utilisation du deep-Learning dans l’amélioration de la commande mppt
pour l’optimisation de l’énergie électrique (puissance).

4
3 Revue critique sommaire de la littérature
La multiplication des éoliennes a conduit les chercheurs en génie électrique à mener
des investigations de façon à améliorer l’efficacité de la conversion d’énergie éolienne
et la qualité de l’énergie fournie par les systèmes de conversion du vent. Deux types de
systèmes de conversion du vent peuvent être envisagés.
Tout d'abord, le système de conversion est fourni à partir d’une vitesse
constante du vent. L'éolienne à vitesse fixe génère une puissance très fluctuante
vers le réseau, ce qui perturbe le système d'alimentation. Ce type de turbine nécessite
également une conception mécanique robuste pour absorber les contraintes
mécaniques élevées [4].
Le second type concerne le système de conversion alimenté par une vitesse
de vent variable à partir de laquelle le générateur est équipé d'un
convertisseur électronique de puissance, puis connecté au réseau. Par
rapport au premier système de conversion, le second présente de nombreux
avantages tels que de bonnes performances MPPT (Maximum Power Point Tracking),
un système de découplage robuste entre la production et la fréquence du réseau, ainsi
qu'une bonne flexibilité entre les deux en termes de contrôle et de fonctionnement
optimal [5] et enfin une meilleure efficacité pour contrôler les contraintes
mécaniques avec un coût réduit [13]. Pour ces raisons, les éoliennes à vitesse variable
sont actuellement les plus utilisées et dominent le marché actuel [6, 14].
En ce qui concerne le type de générateurs, de nombreux types de générateurs
électriques sont utilisés dans les systèmes de conversion d’énergie éolienne à vitesse
fixe ou variable.

nous évoquerons ici les technologies les plus répandues dans l’industrie éolienne : les
générateurs asynchrone à cage d’écureuil (GACE), les générateurs synchrones à
aimants permanents (PMSG) [8, 9], et les générateurs asynchrones à double
alimentation (GADA) équipés d'un convertisseur électronique AC-AC de puissance [15,
16].Concrètement, les systèmes de générateur asynchrone sont de plus en plus utilisés
pour plusieurs raisons telles que leur simplicité de modélisation, leur fiabilité et leur
capacité à extraire une puissance maximale sur une large plage de vitesses de vent. De
plus, leurs commandes de puissance active et réactive sont totalement découplées par
un contrôle indépendant des courants du rotor [17]. Les objectifs d'une loi de
commande d'une éolienne à vitesse variable sont basés sur [4]:
* Génération de la puissance maximale en dessous de la puissance nominale dans les
vents faibles ; Maintien d’une puissance de qualité satisfaisante au-dessus de la
puissance nominale (à vents forts) ;Minimisation des efforts exercés sur les pales du
rotor et sur le dispositif d'entraînement.

Au cours des dernières années, de nombreux chercheurs se sont concentrés sur le

contrôle des éoliennes à vitesse variable comme l’atteste la littérature. Ces études ont
débuté avec des contrôleurs classiques tels que le contrôleur proportionnel intégral
(PI) pour contrôler le couple générateur [15] et le contrôleur linéaire quadratique
gaussien (LQG) pour assurer un comportement dynamique optimal du SCEE autour
du point de fonctionnement [16]. Ces études ont continué avec
certains contrôleurs modernes tels que le contrôleur prédictif généralisé (GPC) pour
maximiser la puissance générée du SCEE [17, 19] et la mise en œuvre du modèle de
référence pour un générateur asynchrone à double alimentation sur la base du SCEE

5
présenté dans [20]. Malheureusement, les stratégies de contrôle évoquées ci-dessus
nécessitaient un modèle linéaire dans lequel la robustesse par rapport aux incertitudes
des systèmes ne peut être garantie en raison de la forte dynamique non
linéaire des SCEE. A cet égard, les contrôleurs de synthèse basés sur la stratégie de
commande à structure variable ont été suggérés afin d'éviter les inconvénients cités ci-
dessus. Les contrôleurs obtenus ont la capacité de maximiser la puissance du
générateur asynchrone et de superposer le suivi de la
valeur du couple électromagnétique optimal [21, 22]. Cependant, un inconvénient
commun à toutes ces stratégies apparaît dans l'étape de définition de la composante de
commutation. Pour contourner ce problème, plusieurs techniques ont été proposées
afin de réduire l'effet de la composante de commutation telles que la fonction tangente
hyperbolique et d'autres lois de contrôle continu dans lesquelles la fonction de signe
est substituée [22, 23]. Au cours des dernières années, le contrôle par
la logique floue (FLC) a été largement combiné avec l'approche conventionnelle pour
contrôler les SCEE non-linéaires [24,25]. Afin d'extraire la puissance maximale du
WECS, l'objectif du contrôle peut être formulé comme un problème d'optimisation et
il existe une certaine difficulté à trouver les paramètres du
contrôleur.
Les problèmes d'optimisation peuvent être résolus en utilisant des méthodes
d'optimisation méta-heuristiques. Certaines de ces approches incluent l'algorithme
génétique (GA) [26], l’algorithme de recherche bactérienne (BF) [27], l'évolution
différentielle (DE) [28], l'algorithme de recherche gravitationnelle (GSA) [29],
l'optimisation des essaims de particules [30,31], l'algorithme Firefly (FA) [32], et la
recherche de coucou (CS) [33]. L'optimisation des loups gris (GWO) est un algorithme
méta-heuristique récemment développé, inspiré de la hiérarchie de leadership et du
mécanisme de chasse des loups gris dans la nature [34]. GWO a été appliqué avec
succès pour résoudre les problèmes d'optimisation
d’ingénierie [35,36].
Avec donc tout c’est recherches porter sur les techniques et les lois de commandes et
d’optimisation, nous constations que la technique mppt est de moins en moins utiliser
dans les systèmes éoliennes comparer à leurs application dans les systèmes
photovoltaïques. Ainsi La portée générale de ce travail est d'étudier le deep Learning
afin d’améliorer la commande mppt pour optimiser la production de l’énergie éolienne.

4 Hypothèse de la recherche
Les hypothèses que nous considérons dans notre travaille sont les suivants :
- Les faibles variations modérer du vent
- Une accumulation maximale de l’énergie au niveau des palles.

5 L’objectif général et les objectifs spécifiques de la recherche

5.1 Objectif général
L’objectif principal de cette recherche est d'étudier la faisabilité, l’amelioration
et la modélisation d’un système de contrôle optimal mppt de l’énergie délivrée par les
générateurs éolienne se servant du deep Learning connecté au réseau

6
5.2 Objectifs spécifiques

- brève présentation des systèmes éoliens ;

- une brève présentation de l’intelligence artificiel : le deep Learning ;
- une étude sur le modèle de recharge photovoltaïque d’un véhicule électrique en
mouvement ;
- une étude sur le modèle de recharge basé sur le mppt
- une adaptation et amélioration de la méthode mppt aux systèmes éoliennes
- l’influence du changement climatique sur les palles de l’éolienne et technique de
prédiction ;
- l’implémentation sur les microcontrôleurs et matlab

6 Un aperçu du cadre théorique et conceptuel

Pour atteindre les objectifs fixés de ce projet, nous devrons définir certaines bases
à savoir et à maitriser :
Les bases la physique des semi-conducteurs, les bases des méthodes numériques, la
physique optique (l’optoélectronique), les techniques d’analyse et d’apprentissage, les
outils mathématiques, les bases de ma programmation, et les techniques de simulation
numériques et les techniques de programmation et réalisation des systèmes
embarquées. Les maitrises des moteurs synchrones et asynchrones et la maitrise des
techniques de contrôle.

7 Brève présentation du modèle

Le système éolienne est une technique qui à exploiter la force du vent afin de produire
de l’énergie électrique. Ce système est constitué de plusieurs éléments qui régissent son
fonctionnement c’est-à-dire l’extraction, le traitement et l’utilisation. Mais leur
développement rencontre un véritable problème au niveau du traitement qui est le
véritable nœud. Afin de mieux exploiter de façon très efficace cette énergie produite
par ces éoliens, nous allons améliorer la méthode du point maximal de puissance
(MPPT) développer dans les systèmes solaires combiné à l’intelligence artificiel afin
d’optimiser la production d’énergie produite par ce dernier et doter d’une grande
prédiction.

8 Intérêts (théorique et pratiques) de la recherche

7
  Maitrise des logiciels de simulations (MATLAB-SIMULINK,
PSPICE, PROTEUS, EAGEL, PICSIM, FRITSING);
 Maitrise des logiciels de programmations (MATLAB,
PITHON, CODE BLOCKS, MCU DEV, MPLAB, ARDUINO,
MIKROC PRO) ;
 Maitrise des logiciels de conception et de façonnage (CNC JS,
INSKAP, BLENDER, PAINT, FLATCAM, COPERCAM).
 Maitrise des bases d’électronique, de traitement du signal, analyses
numérique, connaissance de la langue Anglaise,
 Maitrise des outils d’implémentations en temps réel des circuits
électroniques et de programmations
etc.

9 Résultats escomptés

Les résultats que nous souhaitons avoir sont :

- Une réussite dans son implémentation physique dans les microcontrôleurs.
- Une robustesse, stabilité et fiabilité dans le traitement des informations via le
Deep-Learning.
- Et bonne prédiction des résultats.
- Un rendement optimal en provenance du contrôleur mppt.

10 Une bibliographie indicative.

[1] https://www.nationalgeographie.fr/environnement/tout-comprendre-sur-les-energies-renouvelables
[2] Valipour, M (2015). A comprehensive study on irrigation management in Asia and Oceania.
Archives of Agronomyand Soil Science;61(9):1247–1271.
[3] Valipour , M (2015). Future of agricultural water management in Africa. Archives of
Agronomy and Soil
Science;61(7):907–927.
[4] Valipour, M (2014). Drainage, water logging, and salinity. Archives of Agronomy and Soil
Science; 60
(12):1625–1640.
[5] Valipour, M (2012). Comparison of surface irrigation simulation models: full hydrodynamic,
zero inertia,
kinematic wave. Journal of Agricultural Science ;4:68-74.
[6] Yannopoulos, S.I., Lyberatos, G., Theodossiou, N., Li, W., Valipour, M., Tamburrino, A.,
Angelakis,
A.N (2015) . Evolution of water lifting devices (pumps) over the centuries world- wide. Water
;7(9):5031–5060.
[7] Saravanan, S., Babu, N.R (2016). Maximum power point tracking algorithms for photovoltaic
system–A
review. Renew Sustain Energy Rev;57:192–204.

8
[8] Renewables: global status report 2016.
[9] Renewables: global status report 2017.
[10] Ibrahim, H., Ghandour, M., Dimitrova, M., Ilinca, A., Perron, J (2011) .Integration of wind
energy into
electricity systems: technical challenges and actual solutions. Energy ;6:815–824.
[11] Pao, L.Y., Johnson, K.E (2009). A tutorial on the dynamics and control of wind turbines and
wind farms. In: Proceedings of IEEE American control conference; 2076–2089.
[13] Kumar, Y., Ringenberg, J., Depuru, S.S., Devabhaktuni, V.K., Lee, J.W., Nikolaidis, E.,
Andersen, B.,
Afjeh, A (2016). Wind energy: Trends and enabling technologies. Renew Sustain Energy Rev
;53:209–
224.
[14] Saravanan, S., Babu, N.R (2016). Maximum power point tracking algorithms for photovoltaic
system–A review. Renew Sustain Energy Rev;57:192–204.
[15] Strantzali, E., Aravossis, K (2016).Decision making in renewable energy investments: a review.
Renew
Sustain Energy Rev ;55:885–898.
[16] Ibrahim, H., Ghandour, M., Dimitrova, M., Ilinca, A., Perron, J (2011) .Integration of wind
energy into
electricity systems: technical challenges and actual solutions. Energy ;6:815–824
[17] Aidoud, M., Sedraoui, M., Lachouri, A., Boualleg, A (2016). A robustication of the two degree-
offreedom controller based upon multivariable generalized predictive control law and robust H∞
control for a doubly-fed induction generator. Trans Inst Meas Control. First Published 1 Nov 2016.

[18] Van Wingerden, J.W., Hulskamp, A., Barlas, T., Houtzager, I., Bersee, H., van Kuik, G.,
Verhaegen, M
(2011) . Two-degree-of-freedom active vibration control of a prototyped “smart” rotor. IEEE Trans.
Cont.
Sys. Tech, 19: 284-296.
[19] Boukhezzar, B., Lupu, L., Siguerdidjane, H., Hand, M (2007) . Multivariable control strategy for
variable speed, variable pitch wind turbines. Ren. Energy, 32: 1273-1287.

[20] Abdeddaim, S., Betka, A., Drid, S., Becherif, M (2014) .Implementation of MRAC controller of
a DFIG based variable speed grid connected wind turbine. Ener. Conv. Management, 79: 281-288.
[21] Martinez, M.I., Tapia, G., Susperregui, A., Camblong, H (2012) . Sliding-mode control for DFIG
rotorand grid-side converters under unbalanced and harmonically distorted grid voltage. IEEE Trans.
Ener. Conv, 27: 328-339.
[22] Soufi, Y., Kahla, S., Bechouat, M (2016) . Particle swarm optimization based sliding mode
control of variable speed wind energy conversion system. Inter. Jour. Hyd. Ener, 41(45): 20956-
20963.
[23] Chen, D., Liu, S., Ma, X (2013) . Modeling, nonlinear dynamical analysis of a novel power
system with
random wind power and it's control. Energy, 53:139-146.
[224] Tang, Y., Zhang, X., Zhang, D., Zhao, G., Guan, X (2013). Fractional order sliding mode
controller
design for antilock braking systems. Neuro comp, 111: 122-130.
[24] Pan, L., Voos, H., Pan, Y., Li, Y., Xu, Y., Darouach, M., Li, Z (2015) . A class of Improved
Wake
Interaction Model for the coordinated control of wind farms. IEEE Chinese Automation Congress
(CAC),
Wuhan, Hubei Province, China, 1322-1327.
[25] Pan, L., Voos, H., Pan, Y., Darouach, M (2016) . Generalized wake interaction models and
optimal

9
control in wind farms. The 28th IEEE Chinese Control and Decision Conference (CCDC 2016), in
Yinchuan, China, 6020 - 6025.
[26] Bechouat, M., Soufi, Y., Sedraoui, M., Kahla, S (2015) . Energy storage based on maximum
power
point tracking in photovoltaic systems: A comparison between GAs and PSO approaches. Inter. Jour.
Hyd. Ener, 40(39): 13737-13748.
[27] Kahla, S ., Soufi, Y., Sedraoui, M., Boutaghane, A., Boussiala, B., Thelaidjia, T (2014) . Sliding
Mode
Control Based Bacterial Foraging Optimization of Wind Energy Conversion Systems. The 4th
International Conference on Welding, Non Destructive Testing, Materials and Alloys Industry
(ICWNDT-MI’14).

10